Overview
Chollet 把历史上两种智力观拆开：结晶技能（在已知任务上达到目标）与获取新技能的能力。当代 AI 评价默认站在前一侧，用棋类、电子游戏等固定任务上的技能当智力。问题是技能高度受先验和经验调制。原文：On the Measure of Intelligence。
技能可以被买到
无上限先验（把解硬编码进程序）或无上限训练数据，都能在给定任务上抬高技能，而不增加系统处理未来不确定性的能力。两者都是在 prior/experience 平面上移动，与泛化轴正交。Deep Learning 在这篇里被放在 local-generalization 一端：概念上接近 locality-sensitive hashtable，要任意高技能就需要对输入–目标空间做稠密采样。原文：Chollet 2019 II.1。
因此，在开发者事先知道的任务上测技能，不能当作对 broad abilities 或 general intelligence 的测量。技能是智力过程的结晶输出，不是智力本身。
智力是技能获取效率
正式表述：一个系统的智力，是它在某组任务范围（scope）上的 skill-acquisition efficiency，并且必须相对 priors、experience 和 generalization difficulty 来读。示意贡献是
Expectation[skill · generalization / (priors + experience)]
再按任务价值加权、对 scope 取平均。白话版：智力是学习者把它的经验和先验，转成有价值、涉及不确定性与适应的新技能的速率。原文：Chollet 2019 II.2。
这一定义要求学习与适应。系统若一开始就能在评价情境上表现很好，则该任务的 developer-aware generalization difficulty 很低，智力分数也会低。
必须控制的四个量
- Scope： 智力相对任务范围；两个系统只有在共享 scope、且先验可比时才能比。
- Priors： 初始系统里与解相关的信息比例，不是系统体积。无关知识只付索引与检索开销。
- Experience： 课程中相关且对系统而言新颖的信息；不惩罚噪声课程，也不把已经吸收后的重复步骤算进快学习者。
- Generalization difficulty： 训练时最短最优解，要改多少才能成为评价时的充分解。最简单的训练时策略若已够用，则任务没有需要适应的不确定性。
人类既不是进化写死的专用程序集合，也不是空白石板。先天先验不是泛化的限制，而是其来源：No Free Lunch 要求从数据学习必须做假设。对人机公平比较，应把人类 Core Knowledge 当作参照先验。原文：Chollet 2019 II.1.3。
尚未展开的效率轴
II.2.2 还列出 skill program 的计算效率，以及训练时计算、时间、能量、风险。这些量是后续「测试时多算」与「测试时改参」的接口，本页不把它们写成已有方法比较。